tf.nn.softmax和tf.nn.sparse_softmax 以及ValueError: Only call `softmax_cross_entropy_with_logits` with

多分类问题，在Softmax函数之后，将神经网络的输出变成了一个概率分布。

在只有一个正确答案的分类问题中，tf.nn.sparse_softmax_cross_entropy_with_logits函数可以加速计算过程。

（分类问题：常用的损失函数——交叉熵；  回归问题：对具体数值的预测，常用损失函数——均方误差MSE）

tf.nn.softmax_cross_entropy_with_logits       # 预测目标是概率分布，一个样本可以属于多类，labels可以是one-hot编码。使用时有更大的自由度。
tf.nn.sparse_softmax_cross_entropy_with_logits  # 只能是实际预测值,表示一个样本只能属于一类，labels是int型。
所以mnist中：
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
或者：cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y, y_)

 

注意：tf.nn.softmax_cross_entropy_with_logits(y, y_) 这个可能会报错

ValueError: Only call `softmax_cross_entropy_with_logits` with named arguments (labels=..., logits=..., ...)

  因为：  tf.nn.softmax_cross_entropy_with_logits() 已经过时

替换成：tf.nn.softmax_cross_entropy_with_logits_v2(y, y_)